Influence and heterogeneity of inter-provincial border on intercity population flow in China from the perspective of network

Zhao Ziyu; Yuan Zexin; Zhao Shiyao; Li Yuxuan; Wang Shijun

doi:10.13249/j.cnki.sgs.20240679

2025 , Vol. 45 >Issue 11: 2508 - 2518

DOI: https://doi.org/10.13249/j.cnki.sgs.20240679

Influence and heterogeneity of inter-provincial border on intercity population flow in China from the perspective of network

Zhao Ziyu ^,¹^,² ,
Yuan Zexin ¹ ,
Zhao Shiyao ³ ,
Li Yuxuan ⁴ ,
Wang Shijun ⁵

Expand

Received date: 2024-07-03

Online published: 2025-12-15

Supported by

National Natural Science Foundation of China(42371226)

National Natural Science Foundation of China(41771124)

Copyright

Fold

Abstract

Breaking the shielding effect of administrative boundaries is a key issue to promote regional population flow. From a network perspective, this article uses Baidu migration big data to explore the impact of inter-provincial boundaries on China’s inter-city population flow and its heterogeneity in different urban agglomerations. Specifically, the impact of inter-provincial boundaries on the formation of inter-city population flow relationships was analysed using ERGM, the impact of inter-provincial boundaries on the intensity of population flow relationships was analysed using VERGM, and the regional heterogeneity of the impact of inter-provincial boundaries on population flow was analysed using QAP. It is found that the inter-provincial boundaries inhibit the formation and strengthening of the inter-city population flow network in China. At the same time, the intensity of the shielding effect decreases with the increase of the intensity of population flow. The heterogeneity analysis of urban agglomerations shows that there are significant differences in the shielding effect of inter-provincial boundaries on population flow in different urban agglomerations. Firstly, the effect of inter-provincial boundaries in the Beibu Gulf urban agglomeration is significantly stronger than in other urban agglomerations, mainly due to the lower degree of regional integration development and the natural barriers of the Beibu Gulf and Qiongzhou Strait. Secondly, the boundary effect in the urban agglomerations of the middle reaches of the Yangtze River, Central Plains, Harbin-Changchun, and Guanzhong Plain is at a relatively medium level. These urban agglomerations are guided by the strong provincial capital strategy, with population flow mainly within the province and supplemented by inter-provincial mobility. Finally, the role of inter-provincial boundaries in the Yangtze River Delta urban agglomeration is the weakest. The Yangtze River Delta urban agglomeration has a high level of social and economic development and integration, and also has a relatively unified and coherent system in economic policies and labour market management. Regional central cities such as Shanghai, Nanjing, Hangzhou, and Suzhou not only play an important role in division of labour and cooperation and functional roles in their own provinces, but also in neighbouring provinces (municipalities directly under the central government), reducing the barrier effect of inter-provincial boundaries. Based on the above research, while compressing the time and space distance through large-scale construction of regional high-speed transportation, establishing and improving the coordination mechanism among provincial governments, reducing policy barriers, administrative barriers, and institutional constraints that affect regional factor flows, can effectively enhance regional population flow, which is crucial for accelerating the construction of a unified national market and a new development pattern of “dual circulation” with domestic circulation as the mainstay. Based on the network perspective and the empirical study of urban agglomeration comparison, this article expands the scientific understanding of the inter-provincial border effect, and has clear practical significance for establishing and improving the inter-provincial government coordination mechanism and promoting the development of regional integration.

Key words： inter-provincial boundary; boundary effect; population flow network; urban agglomeration; China

Cite this article

Zhao Ziyu , Yuan Zexin , Zhao Shiyao , Li Yuxuan , Wang Shijun . Influence and heterogeneity of inter-provincial border on intercity population flow in China from the perspective of network[J]. GEOGRAPHICAL SCIENCE, 2025 , 45(11) : 2508 -2518 . DOI: 10.13249/j.cnki.sgs.20240679

中国通过大规模建设以高铁为代表的区域重大高速交通基础设施，以期降低空间距离对于人口区域流动的阻碍作用。然而，文化距离、制度差异、边界效应等也在一定程度上影响着区域间人口和其他要素的流动。相较于社会经济发展水平、劳动机会与报酬、公共服务设施与社会保障等方面^[1-2]，以省际边界为代表的边界效应对于中国人口流动的影响尚未得到充分揭示。

边界效应包括屏蔽效应、中介效应等，其中，边界的屏蔽效应揭示了政治、经济等界限对于跨边界社会经济活动所产生的限制与约束^[3-4]。已有研究关注到行政边界在跨区域的人口流动^[5-6]、经济发展与产业关联^[7]、知识与创新联系^[8-9]等方面所产生的显著影响。以人口流动为例，当跨越边界时，人口流动行为可能表现出一些无法被距离效应所解释的现象^[4-5]。在已有文献中，王雪微等利用百度迁徙大数据研究指出，长三角城市群的人口流动存在显著的省际边界效应，并表现出融合、过滤、接触、阻隔4种不同的空间效应^[5]；郑晴晴等研究指出，居民跨珠澳边界活动受到“一国两制”与通行制度制约^[6]；易柳池等基于联通运营商的手机信令数据，发现在南京都市圈中，边界对毗邻街镇与非毗邻街镇之间的人口流动阻碍较大，仅少量毗邻街镇人口向非毗邻地区扩散^[10]。

在已有文献的基础上，本文旨在从以下3个方面拓展对于人口流动过程中边界效应的科学认识。首先，随着重大区域高速交通基础设施的完善，中国人口城际流动的行为日益活跃，其空间组织的网络结构凸显^[11]。现有文献利用“一价定律”、李嘉图模型、可计算一般均衡模型和区域增长模型等方法，通过关系强度的变化来衡量边界效应的作用程度^[12]，然而，基于网络视角的研究能够揭示人口流动地理过程与空间组织结构及其演化中的复杂特性^[13]。对此，本文将基于网络视角，揭示边界效应对于中国人口城际流动的影响。

其次，本文将探究边界效应对于中国不同城市群内部人口流动影响的异质性。城市群是中国城镇化的主体形态，区域一体化发展是城市群形成与建设的基础，网络化是城市群高质量一体化发展的必要途径。然而，省际边界对于资源要素流动的阻碍效应是城市群一体化协同发展所面临的核心问题之一^[14]。构建城市网络化与消除行政边界所导致的阻隔效应是城市群一体化过程中所面临的双重问题^[5]，中国不同城市群分布在不同地区，同时其社会经济发展水平、区域一体化发展水平和政府治理水平也有所不同，相应地，不同城市群内部省际边界对于人口流动的影响程度也存在差异。对此，论文将分析省际边界对于中国人口流动影响的城市群异质性问题。

最后，在研究数据的选取上，论文将利用日常阶段下的人口流动数据开展边界效应研究，以解决已有研究主要基于流动人口迁徙视角的单一性问题。不同时段下人口流动的出行目的及其空间结构存在差异，以春节、清明节为代表的传统节日期间，中国人口流动的主要构成是流动人口从工作地返回故乡与家人团聚；以劳动节、国庆节为代表的非传统节日，是人们外出旅游的重要时段；而日常阶段下的人口流动以商旅出行、工作通勤、物流运输为主，人口流动是生产要素的空间再配置过程，各种企业及组织间以价值创造为导向的横纵向的、正式与非正式的联系构成了人口流动网络存在的基础，因此日常阶段下的人口流动是一种承载了社会、生产、物流、旅行等多种资源流动的复杂空间交互现象。相对而言，已有研究主要关注省际边界对流动人口目的地选择及其劳动报酬、社会融入等方面的影响，较少关注日常阶段下城市间人口流动。

综上所述，本文将基于网络视角，揭示边界效应对于中国日常阶段人口城际流动的影响及其对不同城市群影响的异质性问题，以拓展对于边界效应的科学认识。同时，探究省际边界对于以人口资源为代表的要素流动的影响效应，对于建立健全省级政府间协调机制、降低区域要素流动的政策障碍与制度约束，以及增强区域社会经济联系、促进区域协调发展具有明确的实践意义。

1 研究数据与方法

1.1 研究数据

研究对象为中国4个直辖市及283个地级市，共计287个空间对象（港澳台数据暂缺）。研究数据来源于百度迁徙大数据^①，百度迁徙大数据基于定位服务（Location Based Service, LBS）技术，通过手机用户的定位信息映射人口流动轨迹，塑造出人口流动过程中产生的起止城市节点及连接路径，为人口流动研究提供新的数据支撑^[15-17]。

选择2023年4—11月作为人口流动网络的构建时段，通过日均值平滑个别天、个别城市的节庆等事件对于人口流动的影响。同时，结合本文所选择的回归模型，对人口流进行标准化处理，其处理方式是：首先，选择每一个城市强度最低的人口流；其次，依据流动强度倒序排序；最后，以最大值的人口流动路径的强度为标准，删除全部人口流动网络中该强度以下的所有人口流。通过以上步骤，将所有城市对外人口流动强度的最低值进行统一。根据百度迁徙数据构建人口流动网络关系矩阵，构建步骤与方法参考王雪微^[5]、赵梓渝^[13]等相关研究的文献。

经过数据处理后构建的人口流动网络包括人口城际流动路径24720条，人口流动强度平均值为1.559，中位数为0.193；人口流动强度最高为334.733；最低为0.046。图1展示了2023年日常阶段中国人口城际流动网络的空间结构，通过自然断点法对人口流动强度进行了3级分类，同时，为了保证图面表达的清晰程度，仅保留了流动强度不低于1.000的人口流动路径。从图1可以发现，日常阶段下，中国人口城际流动展示出显著的核心−边缘结构，高强度人口流动呈现出由直辖市、各省省会城市、自治区首府城市、经济强市等核心城市主导，以城市群、都市圈为载体的近距离流动的空间特征。

显示原图|下载原图ZIP|生成PPT

图1 2023年日常期间中国人口城际流动网络结构特征

基于审图号GS（2023）2763号（自然资源部监制）绘制，底图无修改；港澳台数据暂缺

Fig. 1 Structural characteristics of China’s intercity population flow network during daily periods in 2023

1.2 变量选取

论文中的变量选取如表1所示。

表1 人口流动影响因素选取

Table 1 Selection of factors influencing population flow

类型		变量名称		平均值	标准差
注：为减弱异方差，部分节点属性变量取对数处理，用ln标识。
外生网络变量	核心解释变量	省际边界	bou	1.952	0.229
	网络控制变量	方言距离	dia	3.559	1.065
		地理距离	dist	1.542	0.867
		空气质量距离	PM	16.644	12.735
		温度距离	temp	5.858	4.532
节点属性变量	节点控制变量	规模以上工业企业资产及利润总额（对数）	ln_ass	16.453	1.155
		对外经济贸易总额（对数）	ln_tra	14.428	2.076
		专利数量（对数）	ln_pat	8.478	1.512
		城镇人口总量（对数）	ln_popu	5.113	0.762
		人均GDP（对数）	ln_GDP	11.085	0.456
		三产占比	prop	53.523	9.746

1）核心解释变量。省际边界（bou）作为论文的核心解释变量，反映省际边界对于中国人口流动的影响。省际边界网络中：省际关系=2，省内关系=1。

2）网络控制变量。①体现文化差异的方言距离（dia）。作为一个典型的“人情社会”和“熟人社会”^[18]，文化距离是影响中国人口流动的重要因素之一^[19-20]。地区之间的文化差异会增加个体流动的隐性成本和难度^[21]，而文化趋同则有助于减少因语言、习俗等差异所导致的风险^[22]，并且有利于人口在流入地劳动力市场的社会融入^[23]。文化是一个复杂且庞大的概念，语言是代表文化最有力的标志^[20]。论文基于《中国语言地图集》第2版^[24]，构建中国地级市之间的方言距离。方言距离网络中：同一方言分区并处于同一小片的城市之间，dia=1；处于同一方言分区不同小片的城市之间，dia=2；使用官话的城市之间，dia=3；使用官话与非官话的城市之间，dia=4；剩余城市之间，dia=5。最后，将城市间的语言关系转为无向加权网络。②以驾车距离为代表的地理距离（dist）。人口流动同样遵从空间衰减效应^[3]，流动强度随着距离的增加而减少。由于百度迁徙不区分出行交通方式，考虑到公路和铁路距离存在较高相似性，而且均为中国主要的出行交通方式，因此通过高德地图，对每一条出行路径逐一进行驾车最优路线求解，得到任意两个城市之间驾车出行的实际距离（单位为1 000 km）。③以空气质量距离（PM）和温度距离（temp）为代表的环境距离。相关研究表明人口流动同样会受到环境、空气质量等因素的影响^[25]。通过任意两个城市之间的年平均气温差值、年平均PM_2.5质量浓度（μg/m³）差值的绝对值分别构建温度距离和空气质量距离网络，以反映环境距离。

3）节点控制变量。基于推拉效应，控制了城市规模等特质对于人口流动的影响，具体包括：对外经济贸易总额（对数）（ln_tra）、规模以上工业企业资产及利润总额（对数）（ln_ass）、专利数量（对数）（ln_pat）、城镇人口总量（对数）（ln_popu）、三产占比（prop）和人均GDP（对数）（ln_GDP）。通过以上变量，控制对外贸易、产业发展规模、创新水平、人口规模、产业结构、城市社会经济发展水平等特征对于日常阶段下人口城际流动的影响。除三产占比外，其余变量取对数处理。

模型中城市节点属性的数据主要来源于《中国城市统计年鉴2022》^[26]和第七次人口普查数据^[27]。部分缺失数据在各市统计年鉴补充。考虑到社会经济发展因素对于人口流动意愿影响的时间滞后性，因此回归模型中对应的自变量均为滞后两期的数据。

1.3 研究方法

指数随机图模型（Exponential Random Graph Models, ERGM）通过指数形式来研究网络结构，能够对影响网络结构生长发育的各种因素进行综合分析和定量检验^[28]。在ERGM中，人口流动网络是因变量，节点属性变量和外生网络变量作为自变量，通过概率函数推导其对网络边连接作用的影响，进而定量解释所选变量对人口流动网络关系形成的影响。ERGM根据马尔可夫链蒙特卡罗最大似然估计方法（MCMC-MLE）来诊断模型是否收敛，并根据赤池信息准则（AIC）以及贝叶斯信息准则（BIC）来判断模型的拟合效果^[28]。

加权指数随机图模型（Valued Exponential Random Graph Models, VERGM）在ERGM的基础上考虑了边的权重^[29]，因此，本文利用VERGM研究省际边界对人口流动网络关系强度的影响。

人口城际流动权重利用自然断点法进行十分类，作为计数数值。为了构建不同强度的人口流动网络，本文参考相关研究^[30]，将中位数和高四分位数作为阈值来过滤网络，分别构建人口流动强度前50%和前25%的人口流动网络。

此外，本文在考察省际边界效应对人口流动网络关系形成与关系强度变化影响的同时，考察省际边界效应的区域异质性。选取不同城市群，利用二次指派程序（Quadratic Assignment Procedure, QAP）回归得到省际边界效应对人口流动的影响程度，对比中国不同城市群内部省际边界效应的差异性^[5]。QAP是一种分析矩阵变量间回归关系的统计方法，该方法的核心在于重抽样原理，它运用随机化检验来探索关系之间的深层次联系。ERGM和VERGM中的节点属性变量通过任意两城市数值相减取绝对值得到差值网络用以QAP回归，以此来控制城市间某属性特征的差异对人口流动的影响。

2 省际边界对人口流动网络影响结果

2.1 省际边界对人口流动网络影响总体结果

表2、表3分别汇报了省际边界对于2023年中国日常人口流动网络中，城际网络关系的形成与强度变化的影响。结果表明，省际边界（bou）在全部人口流网络关系形成和强度变化中的回归结果分别为–6.773、–1.551，即以省际边界为代表的边界效应，抑制了中国人口城际流动关系的形成与强度的增加。一方面，同一省份的空间一致性和文化同源性更高，加深了行政边界内部的安全认同感；另一方面，处于同一省份的城市之间通常享有类似的行为规则和价值尺度，即制度邻近性，这可以降低社会行为中的不确定性和成本。制度邻近性观点认为，当两地制度距离较大时，外来者需要较多时间去适应目的地的经营环境、法律法规等，使得信息搜索成本较高、资源获取难度较大^[31]。此外，跨越边界的流动难以避免地受到地方利益集团和地方保护势力的影响，削弱了人们跨越省际边界出行的意愿。

表2 省际边界对人口流动网络关系形成的影响

Table 2 Influence of inter-provincial border on the formation of population flow network

效应	变量	全部流		前50%		前25%
效应	变量	估计值	标准误	估计值	标准误	估计值	标准误
注：^*表示P<0.01；^表示P<0.05；变量含义参见表1。
外生网络变量	bou	–6.773^***	0.257	–4.946^***	0.095	–3.781^***	0.074
	dia	–0.450^***	0.013	–0.471^***	0.016	–0.523^***	0.021
	dist	–2.441^***	0.030	–2.763^***	0.046	–3.128^***	0.074
	PM	–0.024^***	0.001	–0.028^***	0.001	–0.042^***	0.002
	temp	0.026^***	0.005	0.045^***	0.007	0.100^***	0.011
节点属性变量	ln_tra	0.182^***	0.009	0.170^***	0.013	0.197^***	0.018
	ln_ass	0.436^***	0.019	0.643^***	0.026	0.701^***	0.035
	ln_pat	0.115^***	0.015	0.137^***	0.022	0.005	0.029
	ln_popu	0.781^***	0.025	0.657^***	0.033	0.567^***	0.044
	prop	0.066^***	0.001	0.063^***	0.001	0.062^***	0.002
	ln_GDP	0.208^***	0.036	–0.199^***	0.048	–0.322^***	0.064
边数		–24.141^***	0.798	–25.928^**	0.813	–26.272^***	1.034
AIC		43636		26404		15544
BIC		43747		26516		15656

表3 省际边界对人口流动网络关系强度的影响

Table 3 The influence of inter-provincial border on the strength of population flow network

效应	变量	全部流		前50%		前25%
效应	变量	估计值	标准误	估计值	标准误	估计值	标准误
注：^*表示P<0.01；^表示P<0.05；变量解释见表1。
外生网络变量	bou	–1.551^***	0.027	–1.584^***	0.030	–1.271^***	0.033
	dia	–0.253^***	0.009	–0.239^***	0.010	–0.201^***	0.012
	dist	–1.845^***	0.022	–2.091^***	0.032	–2.542^***	0.049
	PM	–0.020^***	0.001	–0.024^***	0.001	–0.028^***	0.001
	temp	0.009^***	0.003	0.021^***	0.005	0.051^***	0.007
节点属性变量	ln_tra	0.078^***	0.006	0.057^***	0.008	0.052^***	0.008
	ln_ass	0.286^***	0.012	0.316^***	0.014	0.262^***	0.015
	ln_pat	0.009	0.010	–0.031^**	0.012	–0.090^***	0.012
	ln_popu	0.520^***	0.015	0.514^***	0.018	0.462^***	0.019
	prop	0.036^***	0.001	0.034^***	0.001	0.031^***	0.001
	ln_GDP	–0.051^**	0.021	–0.099^***	0.025	–0.063^**	0.027
边权总数		–18.79^***	0.363	–17.07^***	0.417	–14.11^***	0.450
非零边数		4.533^***	0.035	3.194^***	0.038	1.719^***	0.043
AIC		–308085		–330593		–348251
BIC		–307963		–330471		–348130

论文通过全部人口流、强度前50%人口流、强度前25%人口流，考察不同阈值下省际边界作用效应的变化。结果表明，总体上，相对于全部人口流动的城市网络，省际边界在高强度人口流动的城际关系中，作用强度有所下降，这在网络关系的形成中尤为明显。高强度人口跨省流动依据空间尺度差异，通常发生在以下两种情况中：①在宏观尺度下，国家级中心城市之间的跨区域人口流动，例如北京、上海、广深、成渝城市之间，正如已有基于不同代理人的城市网络研究均发现中国城市网络的“菱形结构”空间特征^[13]；②在中观尺度下，城市群内部的部分跨省人口流动，例如长三角城市群中上海、南京、杭州、合肥等城市之间，京津冀城市群中北京、天津之间所存在的部分跨省人口流动。无论是哪一种情况，尽管省级边界抑制了城际人口流动关系的形成与强度，但紧密的政治、经济、社会联系在一定程度上克服了省际边界的阻碍效应。值得注意的是，与省际边界作用效应相反，空间距离在高强度人口流动网络中的作用强度，相较于全部人口流网络中明显增加，这符合以人口流动为代表的地理要素空间联系的距离衰减效应；而以方言距离为代表的文化距离，在不同阈值下人口流动网络中的作用效应基本相近。

2.2 省际边界对人口流动网络影响的城市群异质性

在国务院所批复的11个国家级城市群中，由于本文数据中不包含港澳台，粤港澳大湾区剩余城市均为省内流动；呼包鄂榆城市群只有呼和浩特等4个城市，兰西城市群中纳入本文研究范围的仅包含兰州市等4个城市，城市数量较少，因此，考虑数据获取与研究对象的可行性，未加入以上城市群。表4展示了省际边界对不同城市群人口流动影响的程度差异，结果表明，不同城市群内部省际边界对人口流动影响的边界效应存在显著的异质性。

表4 省际边界对人口流动网络影响的区域差异

Table 4 Regional differences in the influence of inter-provincial border on population flow networks

变量	成渝城市群	京津冀城市群	长江中游城市群	长三角城市群	北部湾城市群	中原城市群	哈长城市群	关中平原城市群
注：^*表示P<0.01，^表示P<0.05，^*表示P<0.1；变量解释见表1。
bou	–0.045	0.180	–0.243^***	–0.118^**	–0.372^***	–0.190^***	–0.297^**	–0.267^**
dia	0.040	–0.150^*	–0.059	0.103^*	–0.031	–0.204^***	0.123	–0.001
dist	–0.298^***	–0.493^***	–0.224^***	–0.359^***	–0.270^**	–0.205^***	–0.447^***	–0.557^***
PM	–0.038	0.459^*	–0.042	–0.005	0.042	−0.063	0.158	–0.105
temp	–0.060	−0.209	0.014	–0.052	–0.041	0.016	–0.078	0.155
ln_tra	0.000	−0.186	0.172^***	–0.171^**	–0.026	0.276^***	0.159	0.185
ln_ass	–0.267^*	0.125	0.048	0.154^**	0.449^***	0.059	–0.025	0.059
ln_pat	0.515^***	0.241^**	0.212^***	0.128^*	0.203^**	0.111^*	0.188	0.211
ln_popu	0.173	–0.164	–0.071^*	–0.082^*	–0.110	–0.156^***	–0.037	–0.064
prop	0.355^***	0.075	0.056^*	0.218^***	–0.066	0.079^*	0.021	0.120
ln_GDP	–0.032	0.022	0.051	–0.083^*	0.085	0.038	0.113	–0.050
截距项	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
AdjR²	0.479	0.370	0.363	0.260	0.600	0.383	0.411	0.628

首先，省际边界对于成渝城市群和京津冀城市群人口流动的影响不显著。由于包含直辖市，这两个城市群省内与跨越省级行政区划的人口流动强度均较大，而且流动强度与是否跨省际边界并无显著关系。例如，在成渝城市群内部，成都−重庆等跨省（直辖市）人口流动和四川省省内人口流动，都是该城市群的主导人口流；在京津冀城市群内部，北京−天津、北京−石家庄等跨省（直辖市）人口流动和河北省省内人口流动，也都是该城市群的主要城际人口流动。

其次，省际边界在北部湾城市群中的作用强度显著高于其他城市群。北部湾城市群涉及广东省、海南省和广西壮族自治区3个省级行政区划，该城市群区域一体化发展程度较低，不同省份之间的政策差异和行政壁垒以及缺乏联系较强的生产分工合作与产业协作，导致人口流动主要发生在省份内部。尤其是，受到省内广州等地的强经济水平吸引，广东省其他城市的人口流动基本发生在省内；海南省与广西壮族自治区及广东省之间，自然条件的阻隔使得交通通达性较差，减少了人口的跨省流动。

再次，长江中游、中原、哈长、关中平原城市群的边界效应处于相对中等水平。这些城市群基于强省会等战略优先发展中心城市，形成了以中心城市辐射带动省内、区域内其他城市的发展格局，例如长江中游城市群的武汉、长沙、南昌；哈长城市群的长春、哈尔滨；中原城市群的郑州。受此影响，人口流动主要发生在省内、尤其是与所在省份的省会城市之间，次要发生在省际、与相邻省份的省会城市之间，同时也存在于省内或省际地理距离较近、产业协同合作等大中小城市之间。

最后，省际边界效应在长三角城市群的作用程度最弱。长三角城市群拥有高度一体化水平和社会经济发展水平，上海、南京、杭州等区域中心城市，辐射带动作用强，城市之间存在较强的生产分工合作、产业协作关系和社会经济政治联系，驱动了大规模的人口省际、城际流动，同时城市群内部经济政策、劳动力市场管理等方面也具有较为统一和连贯的体系，减少了跨省人口流动的制度不确定性和风险。

3 结论与讨论

3.1 结论

论文基于网络视角，探究省际边界对中国人口流动的影响及其在不同城市群的异质性问题。研究发现，省际边界抑制了中国人口流动网络的关系形成和关系强度增加。同时，其阻碍效应的作用强度总体上随着人口流动强度的增加而降低。因此，在以大规模建设区域性高速交通方式压缩时空距离的同时，建立健全省级政府间协调机制，降低影响区域要素流动的政策障碍、行政壁垒与制度约束，能够有效增强区域人口流动，对于加快构建全国统一大市场和以国内大循环为主体的“双循环”新发展格局至关重要。

省际边界在不同城市群对于人口流动的阻碍效应呈现出显著的异质性。首先，省际边界在北部湾城市群中的作用强度显著高于其他城市群，其主要受到城市群区域一体化发展程度较低、以及北部湾、琼州海峡自然条件阻隔的影响；其次，边界效应在长江中游、中原、哈长、关中平原城市群处于相对中等水平，这些城市群以强省会战略为引导，人口流动以省内流动为主、省际流动为辅；最后，省际边界在长三角城市群的作用程度最弱，长三角城市群拥有较高的社会经济发展水平和一体化水平，经济政策、劳动力市场管理等方面也具有较为统一和连贯的体系，上海、南京、杭州等区域中心城市扮演着重要的分工协作与职能作用，降低了省际边界的阻隔效应。

3.2 讨论

人口资源是社会经济发展的重要驱动力，是影响中国当前与未来数10 a经济社会发展的重大问题，而人口流动也是城际之间要素流动的主要构成之一。论文揭示了中国人口城际流动过程中的省际边界效应及其区域异质性问题，拓展了对中国人口流动空间格局形成机制的科学认识，同时对于增强区域社会经济联系、促进区域一体化发展与协调发展具有明确的实践价值。

需要对本文所应用的以ERGM为代表的社会网络分析方法进行补充讨论。已有研究通过城市节点属性指标探究人口流动空间格局与网络结构的影响因素^[3,11,32]，本文揭示了网络关系型变量对于人口流动网络结构的复杂影响，即核心解释变量省际边界，控制变量文化距离、地理距离和环境距离。这些网络关系型变量在回归中被视为外生网络效应，解释了在人口流动的过程中，潜在目的地与流动者所熟悉的制度、文化等环境要素的相似程度对其行为的影响，而非仅考虑迁出地或潜在目的地本身的属性，进而拓展了对于人口流动目的地选择影响机制的理解。

同时，需要对研究数据进行补充说明。随着信息化技术的发展，以百度迁徙为代表的人口大数据，在揭示中国人口流动的动态过程、空间格局及其演化、组织结构特征、交通方式与空间尺度异质性等方面展示出了重要的研究价值^[15-17]，成为人口研究过程中普查数据、社会调查数据的有益补充。尽管人类的社会活动存在显著的不确定性，但这种随机性和不可预见性的范围是有限的。当累积足量的个体空间行为轨迹时，数据中的群体特征即显现出来^[33]。相较于10 a一次的人口普查数据，源于移动定位技术的人口流动地理时空大数据的时间精度可以达到日级，极大提高了研究数据的时间精度和及时获取性，这一高时间精度特性在节假日等短周期人口研究中得以体现^[34]，为人口地理学研究提供了新的视角。

尽管如此，本文研究及其研究数据仍存在以下研究不足：百度迁徙大数据所展示的是人口流动强度指数，而非真实人数或人次，但仍能够真实反映中国城际人口流动的强度差异与空间格局；由于数据不带有流动者的人口学特征、社会属性、流动目的等信息，因此本文所研究的是一种宏观视角下的综合性人口流动空间特征及其隐含的人文地理学问题；同时，百度迁徙数据来源于手机定位信息，这可能无法记录部分不使用智能手机用户的移动信息。尽管如此，但其占比远超过常规流动人口抽样调查的比例^[35]。因此，后续研究应充分结合普查数据^[36-37]和移动定位数据在人口流动研究中的优势，丰富和完善人口地理学研究的数据与技术方法。

References

Publishing order | Descend order by publishing year | Descend order by cited within

[1]	马胜春. 中国省际人口流动的特征及影响因素的空间分析[J]. 人口研究, 2022, 466: 59-71. Ma Shengchun. Spatial patterns and influencing factors of inter-provincial migration in China. Population Research, 2022, 466: 59-71.

[2]	杨凡, 杜姗姗, 陶涛. 中国流动人口失业状况及其影响因素——基于2015年全国1%人口抽样调查数据的分析[J]. 人口研究, 2018, 424: 14-26. Yang Fan, Du Shanshan, Tao Tao. Patterns and determinants of migrant unemployment in China: An analysis of data of 2015 national one-percent population sample survey. Population Research, 2018, 424: 14-26.

[3]	赵梓渝, 魏冶, 杨冉, 等. 中国人口省际流动重力模型的参数标定与误差估算[J]. 地理学报, 2019, 742: 203-221. Zhao Ziyu, Wei Ye, Yang Ran et al. Gravity model coefficient calibration and error estimation: Based on Chinese interprovincial population flow. Acta Geographica Sinica, 2019, 742: 203-221.

[4]	王桀, 张琴悦. 边界效应概念再议及其在旅游研究中的应用与发展[J]. 地理科学进展, 2022, 415: 905-921. DOI Wang Jie, Zhang Qinyue. Revisiting the concept of border effect and its application and development in tourism research. Progress in Geography, 2022, 415: 905-921. DOI

[5]

王雪微, 赵梓渝, 曹卫东, 等. 长三角城市群网络特征与省际边界效应——基于人口流动视角[J]. 地理研究, 2021, 406: 1621-1636.

Wang Xuewei, Zhao Ziyu, Cao Weidong et al. Study of network characteristics and inter-provincial boundary effect of the Yangtze River Delta Urban Agglomeration: From the perspective of population flow. Geographical Research, 2021, 406: 1621-1636.

[6]	郑晴晴, 周素红, 文萍. 边界效应下居民跨珠海−澳门边界活动特征与机制分析[J]. 世界地理研究, 2022, 313: 662-672. Zheng Qingqing, Zhou Suhong, Wen Ping. Characteristics and mechanism of residents’ cross-border activities between Zhuhai and Macao under the border effect. World Regional Studies, 2022, 313: 662-672.

[7]	唐为. 分权、外部性与边界效应[J]. 经济研究, 2019, 543: 103-118. Tang Wei. Decentralization, externalities and border effects. Economic Research Journal, 2019, 543: 103-118.

[8]	刘修岩, 王峤. 知识溢出的边界效应——来自专利引用数据的证据[J]. 经济研究, 2022, 5711: 84-101. Liu Xiuyan, Wang Qiao. The border effect of knowledge spillover: Evidence from patent citation data. Economic Research Journal, 2022, 5711: 84-101.

[9]	唐锦玥, 罗守贵. 企业之间创新联系的行政区边界效应[J]. 地理科学进展, 2022, 4112: 2286-2296. DOI Tang Jinyue, Luo Shougui. Border effects of innovation connections between firms. Progress in Geography, 2022, 4112: 2286-2296. DOI

[10]

易柳池, 甄峰, 席广亮, 等. 人流视角下南京都市圈市际毗邻地区边界效应与一体化发展[J]. 经济地理, 2023, 436: 65-73+117.

Yi Liuchi, Zhen Feng, Xi Guangliang et al. Border effects and integrated development of inter-municipal adjacent areas in Nanjing metropolitan area from the perspective of pedestrian flow. Economic Geography, 2023, 436: 65-73+117.

[11]	赵梓渝, 杨冉, 魏冶, 等. 中国人口流动重力模型回归系数的定量估算及其空间异质性研究[J]. 地理科学, 2018, 389: 1439-1448. Zhao Ziyu, Yang Ran, Wei Ye et al. Quantitative estimation and spatial heterogeneity of the regression coefficient of the population flow gravity model in China. Scientia Geographica Sinica, 2018, 389: 1439-1448.

[12]	Anderson J E, van Wincoop E. Gravity with gravitas: A solution to the border puzzle[J]. American Economic Review, 2003, 931: 170-192. DOI

[13]	赵梓渝, 魏冶, 庞瑞秋, 等. 基于人口省际流动的中国城市网络转变中心性与控制力研究——兼论递归理论用于城市网络研究的条件性[J]. 地理学报, 2017, 726: 1032-1048. Zhao Ziyu, Wei Ye, Pang Ruiqiu et al. Alter-based centrality and power of Chinese city network using inter-provincial population flow. Acta Geographica Sinica, 2017, 726: 1032-1048.

[14]	唐锦玥, 张维阳, 王逸飞. 长三角城际日常人口移动网络的格局与影响机制[J]. 地理研究, 2020, 395: 1166-1181. Tang Jinyue, Zhang Weiyang, Wang Yifei. The pattern and influencing factors of daily population movement network in the Yangtze River Delta. Geographical Research, 2020, 395: 1166-1181.

[15]	刘涛, 靳永爱. 人口流动视角下的中国新冠疫情扩散时空动态——传统数据和大数据的对比研究[J]. 人口研究, 2020, 445: 44-59. Liu Tao, Jin Yongai. Human mobility and spatio-temporal dynamics of COVID-19 in China: Comparing survey data and big data. Population Research, 2020, 445: 44-59.

[16]	赵梓渝, 王士君. 2015年我国春运人口省际流动的时空格局[J]. 人口研究, 2017, 413: 101-112. Zhao Ziyu, Wang Shijun. A spatial-temporal study of inter-provincial migration pattern during Chinese Spring Festival travel rush. Population Research, 2017, 413: 101-112.

[17]	杨冕, 谢泽宇. 新冠肺炎疫情防控对中国人口流动的影响——基于百度地图迁徙大数据的实证研究[J]. 人口研究, 2020, 444: 74-88. Yang Mian, Xie Zeyu. Impacts of fighting COVID-19 on China’s population flows: An empirical study based on Baidu migration big data. Population Research, 2020, 444: 74-88.

[18]	费孝通. 乡土中国[M]. 北京: 人民出版社, 2008 Fei Xiaotong. From the soil. Beijing: People’s Publishing House, 2008.

[19]	Wu W J, Wang J H, Daiz T S. The geography of cultural ties and human mobility: Big data in urban contexts[J]. Annals of the American Association of Geographers, 2016, 1063: 612-630. DOI

[20]	黄宗晔, 杨静. 方言对省际人口迁移的影响[J]. 人口研究, 2020, 444: 89-101. Huang Zongye, Yang Jing. The impact of dialect on inter-provincial migration in China. Population Research, 2020, 444: 89-101.

[21]	Mai X, Wang J J. Situational differences, migratory duration, and social integration of internal migrants in urban China[J]. Cities, 2022, 125: 103596. DOI

[22]	Akerlof G A. Social distance and social decisions[J]. Econometrica, 1997, 655: 1005-1027. DOI

[23]	刘毓芸, 徐现祥, 肖泽凯. 劳动力跨方言流动的倒U型模式[J]. 经济研究, 2015, 5010: 134-146+162. Liu Yuyun, Xu Xianxiang, Xiao Zekai. The pattern of labor cross-dialects migration. Economic Research Journal, 2015, 5010: 134-146+162.

[24]

中国社会科学院语言研究所, 中国社会科学院民族学与人类学研究所, 香港城市大学语言资讯科学研究中心. 中国语言地图集(第2版) [M]. 北京: 商务印书馆, 2012

Institute of Linguistics, Chinese Academy of Social Sciences, The Institute of Ethnology and Anthropology, Chinese Academy of Social Science, Language Information Sciences Research Centre, City University of Hong Kong. Language atlas of China (2nd ed). Beijing: The Commercial Press, 2012.

[25]

祁琪, 马瑞光, 殷江滨, 等. 地方环境对流动人口回流意愿的非线性影响—基于流入地与户籍地的比较分析[J]. 地理科学, 2024, 442: 228-237.

Qi Qi, Ma Ruiguang, Yin Jiangbin et al. Non-linear influence of regional contexts on return migration intentions: A comparative study between the place of origin and destination. Scientia Geographica Sinica, 2024, 442: 228-237.

[26]	国家统计局城市社会经济调査司. 中国城市统计年鉴2022 [M]. 北京: 中国统计出版社, 2022 Department of Urban Suveys of National Bureau of Statistics of China. China city statistical yearbook 2022. Beiing: China Statistics Press, 2022.

[27]

国务院人口普查办公室, 国家统计局人口和就业统计司. 中国2020年人口普查分县资料[M]. 北京: 中国统计出版社, 2020

Population Census Office Under the State Council, Department of Population, Employment Statistics Under the National Bureau of Statistics. Tabulation on the 2020 population census of China by county. Beijing: China Statistics Press, 2020.

[28]	Lusher D, Koskinen J, Robins G. Exponential random graph models for social networks: Theory, methods, and applications [M]. Cambridge: Cambridge University Press, 2013.

[29]	Krivitsky P N. Exponential family random graph models for valued networks[J]. Electronic Journal of Statistics, 2012, 6: 1100-1128.

[30]	Wang X R, Xu S, Wang D. Analysis of regional resilience network from the perspective of relational and dynamic equilibrium[J]. Journal of Cleaner Production, 2023, 425: 138859. DOI

[31]	周伟, 徐子璇, 赵骁弈, 等. 东道国数字化水平、多维距离对中国OFDI的影响[J]. 统计与决策, 2023, 3921: 149-153. Zhou Wei, Xu Zixuan, Zhao Xiaoyi et al. The influence of digitization level and multi-dimensional distance of host country on China’s OFDI. Statistics & Decision, 2023, 3921: 149-153.

[32]	柯文前, 肖宝玉, 林李月, 等. 中国省际城乡流动人口空间格局演变及与区域经济发展的关系[J]. 地理学报, 2023, 788: 2041-2057. Ke Wenqian, Xiao Baoyu, Lin Liyue et al. Interprovincial urban and rural floating population evolution of China and its relationship with regional economic development. Acta Geographica Sinica, 2023, 788: 2041-2057.

[33]	赵梓渝, 韩钟辉, 魏冶, 等. 中国人口流动管控应对COVID-19疫情效应评估[J]. 地理学报, 2022, 772: 426-442. Zhao Ziyu, Han Zhonghui, Wei Ye et al. Effect of population flow control in restraining COVID-19 in China. Acta Geographica Sinica, 2022, 772: 426-442.

[34]	李涛, 王姣娥, 高兴川. 中国居民工作日与节假日的城际出行网络异同性研究[J]. 地理学报, 2020, 754: 833-848. Li Tao, Wang Jiao’e, Gao Xingchuan. Comparison of inter-city travel network during weekdays and holiday in China. Acta Geographica Sinica, 2020, 754: 833-848.

[35]

刘张, 千家乐, 杜云艳, 等. 基于多源时空大数据的区际迁徙人群多层次空间分布估算模型: 以COVID-19疫情期间自武汉迁出人群为例[J]. 地球信息科学学报, 2020, 222: 147-160.

Liu Zhang, Qian Jiale, Du Yunyan et al. Multi-level spatial distribution estimation model of the inter-regional migrant population using multi-source spatio-temporal big data: A case study of migrants from Wuhan during the spread of COVID-19. Journal of Geo-information Science, 2020, 222: 147-160.

[36]

胡泰, 林李月, 朱宇, 等. 基于2000—2020年人口普查数据的福建省流动人口结构时空演化及影响因素[J]. 地理科学, 2024, 4412: 2176-2184.

Hu Tai, Lin Liyue, Zhu Yu et al. Spatial-temporal evolution of floating population structure and its influencing factors in Fujian Province based on census data from 2000 to 2020. Scientia Geographica Sinica, 2024, 4412: 2176-2184.

[37]	刘涛, 杨梦, 彭荣熙. 东北三省人口流失的结构性与流向特征—基于长时序人口普查数据的区域比较分析[J]. 地理科学, 2024, 446: 1016-1025. Liu Tao, Yang Meng, Peng Rongxi. Structure and destination choices of out-migrants from northeast China: Based on long-term comparative analysis of census data. Scientia Geographica Sinica, 2024, 446: 1016-1025.

Options

Outlines

模态框（Modal）标题